AWS/阿里云 GPU にさようなら？M4 Mac mini クラウドで AI 推論が「割安」になる条件

「AI 推論＝まず A10/A100 を借りる」——多くのエンジニアにとってこれは条件反射です。AWS EC2 や阿里云 GPU インスタンスの料金表を開くと、時間あたりの単価は悪くないように見えます。ところがアイドル時間、リージョン間通信、イメージ保守、Spot 中断まで総勘定すると、POC が継続課金に変わることが珍しくありません。2026 年、別の問いを立てるチームも増えています：自分たちのワークロードなら、M4 Mac mini クラウドの方が安くて安定するのでは？

本稿は Apple Silicon がすべての NVIDIA シナリオに勝つと言うものではありません。どの規模・モデル・SLA なら、物理専有の M4 Mac mini（ネイティブ macOS、統合メモリ、Neural Engine）のレンタルが公有云 GPU より得かを整理します。Core ML と Ollama/MLX の導入を検討中なら、Core ML クラウド実践も参照してください。推論と CI を同一台で時間帯分担する場合はクラウド Runnerの記事も有用です。

GPU クラウド請求の「見えない上乗せ」：時間単価だけでは足りない

AWS（g5、p4d など）や阿里云 GPU インスタンスの表札は、多くの場合「GPU コア + vCPU + メモリ」のパッケージ価格です。実際の請求では、次の項目が推論 POC を想定外の支出に変えがちです。

• アイドルでも課金— 退勤前に止め忘れた GPU、日中 4 時間だけ動く Agent パイプライン——残り 20 時間も課金が続く；
• ストレージと egress— モデル重みを S3/OSS に置くと、リージョン間取得と推論結果の返送が GB 課金。小規模チームほど過小評価しやすい；
• 環境コスト— CUDA ドライバ、コンテナイメージ、推論フレームのバージョンずれのトラブルシュート。表には載らないが実コスト；
• Spot / プリエンプト— 安いインスタンスが回収されると再実行。尾遅延と重複計算が「安い単価」の節約を食い潰す。

推論が24/7 だが QPS は高くない、あるいは毎日決まった数時間のバッチなら、時間課金 GPU の粒度は実利用率と合いません。ここで Mac mini の日/週単位の専有課金が差をつけやすくなります。

M4 が向く AI 推論：統合メモリは「VRAM の壁」を越えやすい

Mac mini M4 の強みは H100 並みの FP16 ピークではなく、CPU + GPU + 16 コア Neural Engine が同一の統合メモリを共有することです。次のシナリオではエンジニアリングがスムーズになりやすいです。

（1）中〜小パラメータのローカルモデル。Ollama や MLX 上の 7B–14B（量子化後）を常駐させ、「24GB VRAM が足りず、システム RAM にもコピー」という二重持ちを避けられます。GPU クラウドでは 13B 用に大きめの GPU を借りるも、利用率は低い——という話もよく聞きます。

（2）Core ML と Apple スタック。モデルが .mlpackage / .mlmodelc にコンパイル済みで、iOS/macOS と同じ ABI で回帰したいなら、Linux GPU を借りるより変換・整合コストが増えます（Core ML 特集参照）。

（3）埋め込み、分類、小バッチ生成。Neural Engine は固定 shape のコンパイル済みグラフ向き。秒間数万 token ではなく、安定した P95 遅延と予測可能な請求が欲しいケースに合います。

AWS/阿里云 GPU との比較：「TFLOPS 単価」より「千回推論あたり」

公平な比較は、同一モデル・同一バッチ・同一遅延目標を固定し、課金周期に摊平することから始めます。以下は定性的 + オーダー感の対照表です（具体単価はリージョンとキャンペーンで変動するため、各社の当日料金を確認してください）。

実務では、GPU クラウドで 1 週間wall time、GPU 利用率、egress GBを記録し、Mac mini クラウドで同じリクエストセットを再実行してください。「コールドスタートでの重みロード」を別途計上すると、POC の差は単発推論の算力よりロード空転由来であることが多いです。

Mac mini クラウドへ移す価値があるワークロード

• Ollama / MLX の nightly 回帰— 本番 macOS バージョンに揃えた量子化モデルの smoke test；
• Core ML バッチ推論と coremlcompiler CI— コンパイルと推論を同一の専有 macOS で、「Linux 学習・Mac デプロイ」のドリフトを防ぐ；
• RAG 埋め込み（中小モデル）— ベクトル次元固定、QPS 制御可能なサイドカー；
• 個人/小チームの常駐 Agent— OpenHuman、OpenClaw などメール/GitHub と同期するデスクトップ Agent を macOS で 24/7 動かすなら、オフィス Mac mini + 動的 IP よりクラウドが安定；
• Xcode ビルドとの時間帯分担— 日中 xcodebuild、夜間バッチ推論で 1 台の利用率を上げる。

# Apple Silicon とメモリ水位を確認
sysctl -n machdep.cpu.brand_string
ollama run llama3.2:3b "統合メモリが推論に与える意味を一文で"

# P50/P95 遅延と時間あたりリクエスト数を表に記録し、GPU クラウド対照群と比較

AWS/阿里云 GPU を選ぶべき場面：無理な置き換えは避ける

次のケースでは GPU クラウドのままが合理的です。

• 大規模学習・ファインチューニング— マルチ GPU NCCL、超大バッチ、FP16/BF16 フル精度が必要；
• 70B+ または超高スループットのオンライン serving— TensorRT-LLM、vLLM など Linux + CUDA で成熟したスタック；
• MLOps が K8s + NVIDIA に統一済み— macOS への移行コストが算力節約を上回る。

現実的な設計はハイブリッドです。学習と超大モデルは GPU クラスター、端末整合・中小推論・macOS Agent は M4 Mac mini クラウド——二者択一ではありません。

M4 Mac mini クラウドレンタル：ZavCloud の提供形態と導入ステップ

ZavCloud が提供するのはデータセンター内で物理専有の Mac mini M4です。ネイティブ macOS（Linux VPS のラッパーではない）、固定 IPv4、1Gbps 専有バックボーン、VNC と SSH に対応。課金は GPU の秒課金ではなくサブスクリプション周期で、「常駐推論 + 断続的ピーク」に向き、「いつでも消せる Spot GPU」とは性格が異なります。

推奨する 4 ステップ：

1. ローカルまたはクラウドで Ollama/Core ML の最小ベンチを通し、入力セットとバッチを固定；
2. 重みと依存関係を再現可能なスクリプトにまとめ、バージョンをチケットに記載；
3. 1 週間の GPU クラウド請求と Mac mini レンタル周期コストを比較；
4. 本番トラフィックを切り替えるか、ステージング/回帰環境に留めるか判断。

• 関連記事— Core ML と Neural Engine 実践 · Mac mini vs クラウド Mac チーム選定